Joblib

實(shí)踐環(huán)境

• python 3.6.2
• Joblib

簡(jiǎn)介

Joblib是一組在Python中提供輕量級(jí)流水線(xiàn)的工具。特別是：

• 函數(shù)的透明磁盤(pán)緩存和延遲重新計(jì)算（記憶模式）
• 簡(jiǎn)單易用的并行計(jì)算

Joblib已被優(yōu)化得很快速，很健壯了，特別是在大數(shù)據(jù)上，并對(duì)numpy數(shù)組進(jìn)行了特定的優(yōu)化。

主要功能

1.輸出值的透明快速磁盤(pán)緩存(Transparent and fast disk-caching of output value):

Python函數(shù)的內(nèi)存化或類(lèi)似make的功能，適用于任意Python對(duì)象，包括非常大的numpy數(shù)組。

通過(guò)將操作寫(xiě)成一組具有定義良好的輸入和輸出的步驟：Python函數(shù)，將持久性和流執(zhí)行邏輯與域邏輯或算法代碼分離開(kāi)來(lái)。

Joblib可以將其計(jì)算保存到磁盤(pán)上，并僅在必要時(shí)重新運(yùn)行:

>>> from joblib import Memory
>>> cachedir = 'your_cache_dir_goes_here'
>>> mem = Memory(cachedir)
>>> import numpy as np
>>> a = np.vander(np.arange(3)).astype(float)
>>> square = mem.cache(np.square)
>>> b = square(a)                                   
______________________________________________________________________...
[Memory] Calling square...
square(array([[0., 0., 1.],
       [1., 1., 1.],
       [4., 2., 1.]]))
_________________________________________________...square - ...s, 0.0min
>>> c = square(a)
# The above call did not trigger an evaluation

2.并行助手（parallel helper)：

輕松編寫(xiě)可讀的并行代碼并快速調(diào)試

>>> from joblib import Parallel, delayed
>>> from math import sqrt
>>> Parallel(n_jobs=1)(delayed(sqrt)(i**2) for i in range(10))
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]
>>> res = Parallel(n_jobs=1)(delayed(sqrt)(i**2) for i in range(10))
>>> res
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

3.快速壓縮的持久化(Fast compressed Persistence)：

代替pickle在包含大數(shù)據(jù)的Python對(duì)象上高效工作（ joblib.dump & joblib.load ）。

parallel for loops

常見(jiàn)用法

Joblib提供了一個(gè)簡(jiǎn)單的助手類(lèi)，用于使用多進(jìn)程為循環(huán)實(shí)現(xiàn)并行。核心思想是將要執(zhí)行的代碼編寫(xiě)為生成器表達(dá)式，并將其轉(zhuǎn)換為并行計(jì)算

>>> from math import sqrt
>>> [sqrt(i ** 2) for i in range(10)]
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

使用以下代碼，可以分布到2個(gè)CPU上：

>>> from math import sqrt
>>> from joblib import Parallel, delayed
>>> Parallel(n_jobs=2)(delayed(sqrt)(i ** 2) for i in range(10))
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

輸出可以是一個(gè)生成器，在可以獲取結(jié)果時(shí)立即返回結(jié)果，即使后續(xù)任務(wù)尚未完成。輸出的順序始終與輸入的順序相匹配：輸出的順序總是匹配輸入的順序：

>>> from math import sqrt
>>> from joblib import Parallel, delayed
>>> parallel = Parallel(n_jobs=2, return_generator=True) # py3.7往后版本才支持return_generator參數(shù)
>>> output_generator = parallel(delayed(sqrt)(i ** 2) for i in range(10))
>>> print(type(output_generator))
<class 'generator'>
>>> print(next(output_generator))
0.0
>>> print(next(output_generator))
1.0
>>> print(list(output_generator))
[2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

此生成器允許減少joblib.Parallel的內(nèi)存占用調(diào)用

基于線(xiàn)程的并行VS基于進(jìn)程的并行

默認(rèn)情況下， joblib.Parallel 使用 'loky' 后端模塊啟動(dòng)單獨(dú)的Python工作進(jìn)程，以便在分散的CPU上同時(shí)執(zhí)行任務(wù)。

對(duì)于一般的Python程序來(lái)說(shuō)，這是一個(gè)合理的默認(rèn)值，但由于輸入和輸出數(shù)據(jù)需要在隊(duì)列中序列化以便同工作進(jìn)程進(jìn)行通信，因此可能會(huì)導(dǎo)致大量開(kāi)銷(xiāo)（請(qǐng)參閱序列化和進(jìn)程）。

當(dāng)你知道你調(diào)用的函數(shù)是基于一個(gè)已編譯的擴(kuò)展，并且該擴(kuò)展在大部分計(jì)算過(guò)程中釋放了Python全局解釋器鎖（GIL）時(shí)，使用線(xiàn)程而不是Python進(jìn)程作為并發(fā)工作者會(huì)更有效。

例如，在Cython函數(shù)的with nogil 塊中編寫(xiě)CPU密集型代碼。

如果希望代碼有效地使用線(xiàn)程，只需傳遞 preferre='threads' 作為 joblib.Parallel 構(gòu)造函數(shù)的參數(shù)即可。在這種情況下，joblib將自動(dòng)使用 "threading" 后端，而不是默認(rèn)的 "loky" 后端

>>> Parallel(n_jobs=2, prefer=threads')(
...     delayed(sqrt)(i ** 2) for i in range(10))
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

也可以在上下文管理器的幫助下手動(dòng)選擇特定的后端實(shí)現(xiàn):

>>> from joblib import parallel_backend
>>> with parallel_backend('threading', n_jobs=2):
...    Parallel()(delayed(sqrt)(i ** 2) for i in range(10))
...
[0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]

后者在調(diào)用內(nèi)部使用 joblib.Parallel 的庫(kù)時(shí)特別有用，不會(huì)將后端部分作為其公共API的一部分公開(kāi)。

'loky' 后端可能并不總是可獲取。

一些罕見(jiàn)的系統(tǒng)不支持多處理（例如Pyodide）。在這種情況下，loky后端不可用，使用線(xiàn)程作為默認(rèn)后端。

除了內(nèi)置的joblib后端之外，還可以使用幾個(gè)特定于集群的后端：

• 用于Dask集群的Dask后端
• 用于Ray集群的Ray后端
• 用于Spark集群上分發(fā)joblib任務(wù)的Joblib Apache Spark Backend

序列化與進(jìn)程

要在多個(gè)python進(jìn)程之間共享函數(shù)定義，必須依賴(lài)序列化協(xié)議。python中的標(biāo)準(zhǔn)協(xié)議是 pickle ，但它在標(biāo)準(zhǔn)庫(kù)中的默認(rèn)實(shí)現(xiàn)有幾個(gè)限制。例如，它不能序列化交互式定義的函數(shù)或在 __main__ 模塊中定義的函數(shù)。

為了避免這種限制， loky 后端現(xiàn)在依賴(lài)于 cloudpickle 以序列化python對(duì)象。 cloudpickle 是 pickle 協(xié)議的另一種實(shí)現(xiàn)方式，允許序列化更多的對(duì)象，特別是交互式定義的函數(shù)。因此，對(duì)于大多數(shù)用途， loky 后端應(yīng)該可以完美的工作。

cloudpickle 的主要缺點(diǎn)就是它可能比標(biāo)準(zhǔn)類(lèi)庫(kù)中的 pickle 慢，特別是，對(duì)于大型python字典或列表來(lái)說(shuō)，這一點(diǎn)至關(guān)重要，因?yàn)樗鼈兊男蛄谢瘯r(shí)間可能慢100倍。有兩種方法可以更改 joblib 的序列化過(guò)程以緩和此問(wèn)題：

• 如果您在UNIX系統(tǒng)上，則可以切換回舊的 multiprocessing 后端。有了這個(gè)后端，可以使用很快速的 pickle 在工作進(jìn)程中共享交互式定義的函數(shù)。該解決方案的主要問(wèn)題是，使用 fork 啟動(dòng)進(jìn)程會(huì)破壞標(biāo)準(zhǔn)POSIX，并可能與 numpy 和 openblas 等第三方庫(kù)進(jìn)行非正常交互。
• 如果希望將 loky 后端與不同的序列化庫(kù)一起使用，則可以設(shè)置 LOKY_PICKLER=mod_pickle 環(huán)境變量，以使用 mod_pickle 作為 loky 的序列化庫(kù)。作為參數(shù)傳遞的模塊 mod_pickle 應(yīng)按 import mod_picke 導(dǎo)入，并且應(yīng)包含一個(gè) Pickler 對(duì)象，該對(duì)象將用于序列化為對(duì)象?？梢栽O(shè)置 LOKY_PICKLER=pickle 以使用表中類(lèi)庫(kù)中的pickling模塊。 LOKY_PICKLER=pickle 的主要缺點(diǎn)是不能序列化交互式定義的函數(shù)。為了解決該問(wèn)題，可以將此解決方案與 joblib.wrap_non_picklable_objects() 一起使用， joblib.wrap_non_picklable_objects() 可用作裝飾器以為特定對(duì)下本地啟用 cloudpickle 。通過(guò)這種方式，可以為所有python對(duì)象使用速度快的picking，并在本地為交互式函數(shù)啟用慢速的pickling。查閱loky_wrapper獲取示例。

共享內(nèi)存語(yǔ)義

joblib的默認(rèn)后端將在獨(dú)立的Python進(jìn)程中運(yùn)行每個(gè)函數(shù)調(diào)用，因此它們不能更改主程序中定義的公共Python對(duì)象。

然而，如果并行函數(shù)確實(shí)需要依賴(lài)于線(xiàn)程的共享內(nèi)存語(yǔ)義，則應(yīng)顯示的使用 require='sharemem' ，例如：

>>> shared_set = set()
>>> def collect(x):
...    shared_set.add(x)
...
>>> Parallel(n_jobs=2, require='sharedmem')(
...     delayed(collect)(i) for i in range(5))
[None, None, None, None, None]
>>> sorted(shared_set)
[0, 1, 2, 3, 4]

請(qǐng)記住，從性能的角度來(lái)看，依賴(lài)共享內(nèi)存語(yǔ)義可能是次優(yōu)的，因?yàn)閷?duì)共享Python對(duì)象的并發(fā)訪(fǎng)問(wèn)將受到鎖爭(zhēng)用的影響。

注意，不使用共享內(nèi)存的情況下，任務(wù)進(jìn)程之間的內(nèi)存資源是相互獨(dú)立的，舉例說(shuō)明如下：

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import time
import threading
from joblib import Parallel, delayed, parallel_backend
from collections import deque
GLOBAL_LIST = []
class TestClass():
    def __init__(self):
        self.job_queue = deque()
    def add_jobs(self):
        i = 0
        while i < 3:
            time.sleep(1)
            i += 1
            GLOBAL_LIST.append(i)
            self.job_queue.append(i)
            print('obj_id：', id(self),  'job_queue：', self.job_queue, 'global_list：', GLOBAL_LIST)
def get_job_queue_list(obj):
    i = 0
    while not obj.job_queue and i < 3:
        time.sleep(1)
        i += 1
        print('obj_id：', id(obj), 'job_queue：', obj.job_queue, 'global_list：', GLOBAL_LIST)
    return obj.job_queue
if __name__ == "__main__":
    obj = TestClass()
    def test_fun():
        with parallel_backend("multiprocessing", n_jobs=2):
            Parallel()(delayed(get_job_queue_list)(obj) for i in range(2))
    thread = threading.Thread(target=test_fun, name="parse_log")
    thread.start()
    time.sleep(1)
    obj.add_jobs()
    print('global_list_len：', len(GLOBAL_LIST))

控制臺(tái)輸出：

obj_id： 1554577912664 job_queue： deque([]) global_list： []
obj_id： 1930069893920 job_queue： deque([]) global_list： []
obj_id： 2378500766968 job_queue： deque([1]) global_list： [1]
obj_id： 1554577912664 job_queue： deque([]) global_list： []
obj_id： 1930069893920 job_queue： deque([]) global_list： []
obj_id： 2378500766968 job_queue： deque([1, 2]) global_list： [1, 2]
obj_id： 1554577912664 job_queue： deque([]) global_list： []
obj_id： 1930069893920 job_queue： deque([]) global_list： []
obj_id： 2378500766968 job_queue： deque([1, 2, 3]) global_list： [1, 2, 3]
global_list_len： 3

通過(guò)輸出可知，通過(guò)joblib.Parallel開(kāi)啟的進(jìn)程，其占用內(nèi)存和主線(xiàn)程占用的內(nèi)存資源是相互獨(dú)立

復(fù)用worer池

一些算法需要對(duì)并行函數(shù)進(jìn)行多次連續(xù)調(diào)用，同時(shí)對(duì)中間結(jié)果進(jìn)行處理。在一個(gè)循環(huán)中多次調(diào)用 joblib.Parallel 次優(yōu)的，因?yàn)樗鼤?huì)多次創(chuàng)建和銷(xiāo)毀一個(gè)workde（線(xiàn)程或進(jìn)程）池，這可能會(huì)導(dǎo)致大量開(kāi)銷(xiāo)。

在這種情況下，使用 joblib.Parallel 類(lèi)的上下文管理器API更有效，以便對(duì) joblib.Parallel 對(duì)象的多次調(diào)用可以復(fù)用同一worker池。

from joblib import Parallel, delayed
from math import sqrt
with Parallel(n_jobs=2) as parallel:
   accumulator = 0.
   n_iter = 0
   while accumulator < 1000:
       results = parallel(delayed(sqrt)(accumulator + i ** 2) for i in range(5))
       accumulator += sum(results)  # synchronization barrier
       n_iter += 1
print(accumulator, n_iter)  #輸出： 1136.5969161564717 14                          

請(qǐng)注意，現(xiàn)在基于進(jìn)程的并行默認(rèn)使用 'loky' 后端，該后端會(huì)自動(dòng)嘗試自己維護(hù)和重用worker池，即使是在沒(méi)有上下文管理器的調(diào)用中也是如此

筆者實(shí)踐發(fā)現(xiàn)，即便采用這種實(shí)現(xiàn)方式，其運(yùn)行效率也是非常低下的，應(yīng)該盡量避免這種設(shè)計(jì)(實(shí)踐環(huán)境 Python3.6)

Parallel參考文檔

class joblib.Parallel(n_jobs=default(None), backend=None, return_generator=False, verbose=default(0), timeout=None, pre_dispatch='2 * n_jobs', batch_size='auto', temp_folder=default(None), max_nbytes=default('1M'), mmap_mode=default('r'), prefer=default(None), require=default(None))

常用參數(shù)說(shuō)明

• n_jobs ：int, 默認(rèn)： None

并發(fā)運(yùn)行作業(yè)的最大數(shù)量，例如當(dāng) backend='multiprocessing' 時(shí)Python工作進(jìn)程的數(shù)量，或者當(dāng) backend='threading' 時(shí)線(xiàn)程池的大小。如果設(shè)置為 -1，則使用所有CPU。如果設(shè)置為1，則根本不使用并行計(jì)算代碼，并且行為相當(dāng)于一個(gè)簡(jiǎn)單的python for循環(huán)。此模式與 timeout 不兼容。如果 n_jobs 小于-1，則使用 (n_cpus+1+n_jobs) 。因此，如果 n_jobs=-2 ，將使用除一個(gè)CPU之外的所有CPU。如果為 None ，則默認(rèn) n_jobs=1 ，除非在 parallel_backend() 上下文管理器下執(zhí)行調(diào)用，此時(shí)會(huì)為 n_jobs 設(shè)置另一個(gè)值。

• backend : str, ParallelBackendBase 實(shí)例或者 None , 默認(rèn): 'loky'

指定并行化后端實(shí)現(xiàn)。支持的后端有：

• loky 在與工作Python進(jìn)程交換輸入和輸出數(shù)據(jù)時(shí)，默認(rèn)使用的 loky 可能會(huì)導(dǎo)致一些通信和內(nèi)存開(kāi)銷(xiāo)。在一些罕見(jiàn)的系統(tǒng)（如Pyiode）上， loky 后端可能不可用。
• multiprocessing 以前基于進(jìn)程的后端，基于 multiprocessing.Pool 。不如loky健壯。
• threading 是一個(gè)開(kāi)銷(xiāo)很低的后端，但如果被調(diào)用的函數(shù)大量依賴(lài)于Python對(duì)象，它會(huì)受到Python GIL的影響。當(dāng)執(zhí)行瓶頸是顯式釋放GIL的已編譯擴(kuò)展時(shí)， threading 最有用（例如， with-nogil 塊中封裝的Cython循環(huán)或?qū)umPy等庫(kù)的昂貴調(diào)用）。
• 最后，可以通過(guò)調(diào)用 register_pallel_backend() 來(lái)注冊(cè)后端。

不建議在類(lèi)庫(kù)中調(diào)用 Parallel 時(shí)對(duì) backend 名稱(chēng)進(jìn)行硬編碼，取而代之，建議設(shè)置軟提示（ prefer ）或硬約束（ require ），以便庫(kù)用戶(hù)可以使用 parallel_backend() 上下文管理器從外部更改 backend 。

• return_generator : bool

如果為 True ，則對(duì)此實(shí)例的調(diào)用將返回一個(gè)生成器，并在結(jié)果可獲取時(shí)立即按原始順序返回結(jié)果。請(qǐng)注意，預(yù)期用途是一次運(yùn)行一個(gè)調(diào)用。對(duì)同一個(gè)Parallel對(duì)象的多次調(diào)用將導(dǎo)致 RuntimeError

• prefer : str 可選值 ‘processes’ , ‘threads’ , None , 默認(rèn): None

如果使用 parallel_backen() 上下文管理器時(shí)沒(méi)有指定特定后端，則選擇默認(rèn) prefer 給定值。默認(rèn)的基于進(jìn)程的后端是 loky ，而默認(rèn)的基于線(xiàn)程的后端則是 threading 。如果指定了 backend 參數(shù)，則忽略該參數(shù)。

• require : ‘sharedmem’ 或者 None , 默認(rèn) None

用于選擇后端的硬約束。如果設(shè)置為 'sharedmem' ，則所選后端將是單主機(jī)和基于線(xiàn)程的，即使用戶(hù)要求使用具有 parallel_backend 的非基于線(xiàn)程的后端。

到此這篇關(guān)于Python中的Joblib庫(kù)使用學(xué)習(xí)總結(jié)的文章就介紹到這了,更多相關(guān)Python中的Joblib庫(kù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論